广义无监督函数映射学习的三维形状密集对应方法

TP391.41; 提出了一种新颖的广义无监督函数映射学习的三维形状密集对应方法.首先,基于多层感知器(multilayer perceptron,MLP)和残差网络,直接学习深度点特征.其次,计算点云的近似测地线距离,并对其进行特征分解,建立特征嵌入空间,引入注意力机制,有效学习广义基函数表示.再次,结合点特征与广义基函数生成三维形状的深度特征表示.最后,建立无监督的函数映射网络框架,获取形状之间的密集对应表示.提出的三元正则优化机制,联合重构损失、特征损失和形状匹配的距离损失,在特征域和空间域上有效提升了学习性能及形状对应的精度.实验结果表明,广义基函数表示与无监督函数映射学习机制适用于任...

Full description

Saved in:
Bibliographic Details
Published in浙江大学学报（理学版） Vol. 50; no. 6; pp. 736 - 744
Main Authors 窦丰, 马会文, 谢昕洋, 杨万文, 石雪, 韩丽, 林彬
Format Journal Article
LanguageChinese
Published 辽宁师范大学 计算机与人工智能学院,辽宁 大连 116081 25.11.2023
Subjects
shape correspondence
functional maps
deep learning
无监督学习
深度学习
函数映射
形状对应
unsupervised learning
Online AccessGet full text
ISSN1008-9497
DOI10.3785/j.issn.1008-9497.2023.06.008

Cover

More Information
Summary:TP391.41; 提出了一种新颖的广义无监督函数映射学习的三维形状密集对应方法.首先,基于多层感知器(multilayer perceptron,MLP)和残差网络,直接学习深度点特征.其次,计算点云的近似测地线距离,并对其进行特征分解,建立特征嵌入空间,引入注意力机制,有效学习广义基函数表示.再次,结合点特征与广义基函数生成三维形状的深度特征表示.最后,建立无监督的函数映射网络框架,获取形状之间的密集对应表示.提出的三元正则优化机制,联合重构损失、特征损失和形状匹配的距离损失,在特征域和空间域上有效提升了学习性能及形状对应的精度.实验结果表明,广义基函数表示与无监督函数映射学习机制适用于任意三维形状,突破了现有方法只适用于连续二维流形的局限,在任意三维形状匹配中取得了更优的性能.
ISSN:1008-9497
DOI:10.3785/j.issn.1008-9497.2023.06.008